• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2019/2020

Прогнозирование бизнес - результатов деятельности предприятия на основе предиктивного моделирования с использованием IBM Watson

Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Статус: Курс по выбору (Бизнес-информатика)
Направление: 38.04.05. Бизнес-информатика
Кто читает: Кафедра бизнес-аналитики
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Прогр. обучения: Бизнес-информатика
Язык: русский
Кредиты: 6
Контактные часы: 72

Программа дисциплины

Аннотация

Дисциплина посвящена разработке предиктивных моделей с использованием аналитической платформы IBM Watson Studio для задач внутрифирменного планирования и прогнозирования. Слушатели отрабатывают теоретические знания и приобретают практические навыки исследования данных и бизнес-анализа, необходимые для создания предиктивных моделей расширенной бизнес-аналитики. Освоение материала происходит в рамках учебных проектов, максимально приближенных к реальным, в режиме бизнес-симуляции.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины является формирование у студентов комплекса теоретических знаний и приобретение практических навыков разработки предиктивных моделей на примере аналитической платформы IBM Watson Studio для повышения эффективности корпоративного планирования и прогнозирования. Полученные компетенции позволяют участвовать в проектах создания предиктивных моделей расширенной бизнес-аналитики реального времени для крупных корпораций.
Планируемые результаты обучения

Планируемые результаты обучения

  • Дает описание классических методов прогнозирования KPIs, а также подходов и инструментов цифрового бизнес-анализа для корпорации
  • Объясняет сущность задачи предиктивного моделирования в бизнесе, а также функциональные различия между описательной и расширенной бизнес-аналитикой.
  • Дает описание классических и современных подходов к обработке данных. Объясняет принципы проектирования целевой архитектуры цифровой корпорации с использованием расширенной аналитики.
  • Владеет подходами к интеллектуальному анализу данных и методами машинного обучения в задачах цифрового управления.
  • Объясняет парадигму «черного ящика» и «белого ящика», дает описание задач когнитивной бизнес-аналитики. Владеет аналитическими подходами к поиску закономерностей в динамических системах.
  • Объясняет назначение и описывает функциональность облачных когнитивных приложений для задач предиктивной аналитики на примере IBM Watson.
  • Дает описание элементов и функций когнитивной системы на примере IBM Watson, а также бизнес-эффектов ее применения в задачах цифрового управления корпорацией.
  • Владеет подходами к исследованию данных на примере методологии IBM CRISP DM. Проводит экспресс-диагностику качества данных и оценивает прогнозную мощность предикторов на основе демонстрационных данных в среде IBM Watson Studio.
  • Владеет методами предиктивного анализа и сценарного моделирования и применяет их при создании многофакторных моделей в среде IBM Watson Studio.
  • Проводит мини-исследование по разработке предиктивной модели и прогнозному моделированию на основе предоставленного бизнес-кейса с использованием IBM Watson. Проводит оценку и интерпретацию результатов.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Методы и инструменты прогнозирования бизнес-результатов в корпоративном управлении
    Классические финансовые и нефинансовые методы прогнозирования показателей основной деятельности корпорации. Экспертные, статистические, информационные, сценарные и другие подходы к бизнес-анализу, планированию и прогнозированию.
  • Тема 2. Задачи предиктивного моделирования и расширенная бизнес-аналитика (Advanced analytics)
    Задачи предсказательной (прогнозной) аналитики в бизнесе. Эволюция и тренды в развитии бизнес-аналитики. Описательная, прогнозная и предписывающая аналитика. Business Intelligence и Advanced analytics. Когнитивная, облачная и расширенная аналитика. Большие данные (Big Data) и машинное обучение (ML).
  • Тема 3. Технологии управления данными в условиях цифровой трансформации
    Классические и современные подходы к обработке данных. Хранилища данных и большие данные. Предприятия реального времени (RTE). Технологии высокоскоростной параллельной обработки данных, гибридные сети, когнитивные системы. Целевая архитектура цифровой корпорации с использованием расширенной аналитики.
  • Тема 4. Интеллектуальный анализ данных и его применение в цифровом бизнесе
    Интеллектуальный анализ данных (Data mining) и поисковые системы в Интернете. Структурированные, слабоструктурированные и неструктурированные данные. WEB mining и Text mining. Social mining и социальные сети. OMNI-каналы, дополненная и виртуальная реальность. Нейросети и машинное обучение в задачах цифрового управления.
  • Тема 5. Когнитивные подходы в задачах бизнес-анализа
    Когнитология и когнитивные модели. Парадигма так называемых «черного ящика» и «белого ящика». Когнитивное моделирование. Естественный и искусственный интеллект. Задачи когнитивной бизнес-аналитики. Когнитивные методы анализа в интеллектуальных системах поддержки принятия решений. Когнитивные карты. Интеллектуальный поиск закономерностей динамических систем.
  • Тема 6. Когнитивные системы и сервисы в цифровом бизнесе
    Естественная и искусственная когнитивная система. Современные когнитивные системы (IBM Watson) и когнитивная бизнес-аналитика. Ретроспектива и тренды в развитии когнитивных технологий. Технологическое и методологическое обеспечение когнитивных систем для бизнеса. Применение предиктивного анализа, мониторинга в цифровом управлении знаниями. Информационная цепочка добавленной стоимости в системе искусственного интеллекта (ИИ). Облачные когнитивные приложения и сервисы.
  • Тема 7. Практика применения когнитивных решений на примере IBM Watson
    Когнитивная облачная платформа IBM Watson. История развития, назначение, принципы организации. Элементы когнитивной системы, ее функции и алгоритмы. Проекты в сфере здравоохранения, образовании, и других индустриях. Бизнес-эффекты и перспективы применения когнитивных решений в условиях цифровой трансформации.
  • Тема 8. Подготовка и анализ данных для прогнозирования с использованием IBM Watson.
    Описание полного цикла предиктивного моделирования как проекта. Понятие качества данных. Подходы к подготовке данных. Определение проекта. Принципы сбора данных. Источники данных и критерии качества данных. Процесс первичного анализа данных. Проверка гипотез. Статистический анализ данных. Моделирование на основе многокритериальных оценок. Развертывание и внедрение предиктивной модели. Информационная архитектура предиктивной модели. Примеры предиктивного анализа на основе демонстрационных данных в среде IBM Watson.
  • Тема 9. Моделирование и оценка результатов предиктивного анализа с использованием IBM Watson.
    Банк предиктивных моделей IBM Watson в ключевых индустриях. Методы, применяемые при проектировании моделей. Определение факторных и определяющих переменных. Оценка взаимного влияния факторов. Понятие мощности прогноза. Загрузка данных. Моделирование. Деревья решений. Сценарный анализ. Визуализация результатов. Подготовка бизнес-кейса для предиктивного моделирования.
  • Тема 10. Решение кейса по прогнозированию бизнес-результатов с использованием IBM Watson
    Бизнес-кейс с использованием IBM Watson. Постановка задачи прогнозирования бизнес-результатов. Цель моделирования. Решаемые корпоративные задачи. Выбор факторных и результативных переменных. Выбор методов моделирования. Подготовка и загрузка набора данных. Настройка параметров модели. Визуализация результатов при заданных сценариях. Оценка и интерпретация результатов. Подготовка выводов по результатам моделирования.
Элементы контроля

Элементы контроля

  • неблокирующий Контрольная работа
  • неблокирующий Домашнее задание
  • неблокирующий Аудиторная работа
  • неблокирующий Защита проекта
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.21 * Аудиторная работа + 0.245 * Домашнее задание + 0.3 * Защита проекта + 0.245 * Контрольная работа
Список литературы

Список литературы

Рекомендуемая основная литература

  • Введение в анализ данных : учебник и практикум для вузов, Миркин, Б. Г., 2015
  • Под ред. Мхитаряна В.С. - АНАЛИЗ ДАННЫХ. Учебник для академического бакалавриата - М.:Издательство Юрайт - 2019 - 490с. - ISBN: 978-5-534-00616-2 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/analiz-dannyh-432178

Рекомендуемая дополнительная литература

  • Python и анализ данных, Маккинли, У., 2015
  • Соловьев В.И. - Анализ данных в экономике: Теория вероятностей, прикладная статистика, обработка и анализ данных в Microsoft Excel. (Бакалавриат) - КноРус - 2019 - 497с. - ISBN: 978-5-406-06940-0 - Текст электронный // ЭБС BOOKRU - URL: https://book.ru/book/930826
  • Статистический анализ данных в MS Excel : учеб. пособие / А.Ю. Козлов, В.С. Мхитарян, В.Ф. Шишов. — М. : ИНФРА-М, 2019. — 320 с. — (Высшее образование: Бакалавриат). — www.dx.doi.org/10.12737/2842. - Режим доступа: http://znanium.com/catalog/product/987337